从零学数据分析：多维度拆解分析法

通过不同维度观察同一组数据，从而洞查数据异动背后的原因。

怎么用？

step 1： 是什么？确定从哪些维度进行拆解。

step 2： 有什么用？解决辛普森悖论的问题，避免只看数据整体，而忽略数据内部差异，从而得出与事实相反的结论。

step 3：怎么用？两个维度拆解，指标构成和业务流程分别进行拆解。

一个实例：

某公司上月销售额3000万。这就是一个指标，没有拆分维度。如果加了分类维度，效果如下：

再加一个时间维度，效果如下：

比起只看总数，多维度拆解能更确定的定位数据，进而分析问题原因。假如上月目标销售额是3500万，发现实际与目标差500万，可我们不知道为什么不达标，这时候需要拆细一点，比如：

添加分类维度，看哪个部门没做好：

如果单纯看销售额差500万，什么问题也解决不了，对数据进行拆解以后，我们发现A、C两个部门是公司业务大头，其中C部门上月业绩表现更差。

添加过程指标，看哪个环节出了问题：

增加过程指标和分类维度，能更准备的定位问题，让简单的结论显而易见。但正因为简单，很多数据分析人员容易把业务口中的多维度，直接理解成“维度多”，听到做数据分析，就是拆、拆、拆。

下面是典型的基于数据做的多维度拆分结果：

但业务真正需要的多维度，是这个意思吗？

业务脑子里装的是不是数据库里的表结构，不是数据有哪些字段，而是一个个具体的问题。当业务看到上月销售目标没有完成时，脑子里的多维度是这样的：

此时发现，单纯看数据根本回答不了业务的问题。

以客户意向太少为例，到底是竞争对手发力，还是产品没做好，还是营销活动没跟上导致的，根本说不清楚，自然解决不了业务问题。

所以，真正的多维度分析，关注的不是数据的计算能力，而是业务的策略能力。具体来说包括三方面内容：

（1）把业务上的理由，转化为数据上论证。

（2）堵住借口：业务不要总试图甩锅，集中精力想能干点啥。

（3）找到症结：在一堆影响因素里，找到最关键的那个，集中发力。

注意，这三件事是有顺序的：

（1）先把数据论证方式列清楚，避免大家放空炮（数据不能论证的理由就闭嘴，是个非常好的议事规则）。

（2）之后先堵借口，找借口并不能解决问题，因此先把各种逃跑路线堵上。

（3）最后再集中想办法，想办法的时候，从大到小，从粗到细，先搞大问题。

所以，完整的多维度拆解分析法，可以分5步进行：

第一步，对业务提出的说法进行分类，对每一类问题，进行分析假设，把业务理由转化为数据逻辑，用数据说话，例如：

第二步：优先排除借口。

借口往往产生于宏观因素、外部因素、队友因素，而能堵住接口的关键在于——证伪。

证伪最好的办法是举例法，同样是下雨，为什么别人的业绩不受影响？同样面对竞争对手的促销，为什么别人的业绩能保持住？

在堵住借口的同时，也指出了解决问题的出路，给出具体的学习对象，可以极大的激发业务思考对策，从而达到双赢的效果。

第三步，解决白犀牛，剔除明显的重大影响。

比如监管政策、公司战略、重大外部环境等等因素，确实会对企业经营起到重大作用，并且这些因素是普通小员工只能接受，不能改变的。

如果业务真的把责任推给大环境，那就要用数据证明符不符合趋势。

第四步，解决黑天鹅，剔除明显突发事件

如果真的发生突发事件，很容易找到根源，例如，正向的有，促销活动、新产品上线等，负向的有，恶劣天气、系统宕机、突发事件等。

第五步，按分工锁定问题点再谈细节

解决了大问题以后，想讨论更细节的问题就得锁定部门，先定人再谈计划。

因为部门职责固定，所以一般先找到问题环节，再细看这个环节哪些问题比较大，就能锁定责任部门。所以分析时不能胡乱拆解，要么先环节再细分维度，要么先细分部门后拆解环节，这样容易落实责任。